研发投入、知识传播与农业新品种创新：路径与瓶颈

熊　文，朱永彬

(1. 北京工商大学　经济学院 ，北京　100048；2. 中国科学院　科技战略咨询研究院 ，北京　100190；3. 中国科学院大学，北京　100864 )

一、引言

随着全球“六次产业化”的推进，第四产业的“互联网+”，第五产业的“文化创意+”，乃至农业“接二( 产) 连三( 产) ”向第六产业的演化[1]，各国对于科技创新都有了更新更高的要求。法国在2017年发布的《国家科研战略》中将“信息与沟通社会”作为十大挑战之一，并将“大数据”列于5个首要行动计划之首。俄罗斯2017年发布《数字经济计划》，提出至2024年的发展目标，包括规范管理、人才和教育、研究专长和技术储备、信息基础设施及信息安全等五大基本方向。英国科学办公室发布《技术与创新的未来》报告，强调未来最大的机会来自技术融合和互动。日本文部科学省公布的《2017年度科技白皮书》，聚焦开放创新，并明确未来日本推进开放创新的方向。中国亦在十九大报告中提出了建设创新型国家的宏大目标，并强调农村一二三产业融合发展。

张来武(2016)[1]指出第六产业成为农业转型发展的重要方向，以传统的产业划分理论来指导农业的创新创业已无法从根本上解决中国的“三农”问题。这就对我国农业科技创新提出了更高的要求。为此，理清农业创新的驱动机制，找出制约农业创新发展的关键瓶颈，已成为当前研究的重要命题。

植物新品种是农业科技创新的主要成果，是推动种子产业和现代农业发展的重要举措，是农业科技创新的重要源动力[2]。近年来，对于农业植物新品种研究，主要集中在农业植物新品种权的现状与对策[3]、农业植物新品种权的质量评估[4]、农业植物新品种保护制度对于农业技术创新的影响[5]等方面。而从农业科技创新的角度，其研究则会更加丰富，主要分为三个方面：一是研究农业科技创新对经济增长的贡献，如测算与分解我国农业技术进步贡献率[6]，分析农业科技水平与农民收入的关系问题[7]等；二是从知识生产函数的角度探索影响农业科技创新的投入要素的贡献问题[8]；三是研究农业科技创新的效率及能力评价[9-10]。

在此，我们关心影响技术创新的核心因素、作用大小及其路径。技术创新的研究最早源于熊彼特的创新理论[11]，Lucas(1988)[12]认为物质资本与人力资本的积累对技术发展有重大作用，而Romer(1990)[13]的知识生产函数则指明研发人员、资本及知识积累三方面为其最核心要素。因此，大多数的文献都是在这种理论框架下，研究各种资源投入对技术创新的影响力，并扩展到各方面的影响因素中去。

内在要素投入的影响力总是最核心的命题。有的学者指出技术进步自身与政府研发投入的重要性[14]，有的则强调人力资本投入的重要性[15]，还有的进一步探索物质资本或R&D资本的影响[16]，甚至还区分“硬”或“软”的公共投资[17]，以及研究R&D投入的门槛效应[18]。这些研究都是关注要素的重要性问题，并不断的将这些要素细分化而展开分析。

模仿创新亦是技术进步的一个重要环节，可以通过对国外技术的引进，亦可购买国内技术，研究的主旋律是引进技术或购买国内技术的好坏问题。

对于技术引进的作用，在学界一直未能达成共识。Hu等(2005)[19]指出技术转让通过与国内研发交互作用从而对行业创新效率产生影响；Chang和Robin( 2006)[20]认为技术购买与自主创新存在互补关系；许继琴等(2008)[21]亦发现技术引进与研发对宁波技术进步均存在正向影响，但研发影响更大。而Pillai ( 1979)[22]则认为购买技术会替代自主创新；汤萱(2016)[23]发现直接购买的技术引进会抑制创新能力发展；闻雯等(2010)[24]发现我国工业技术引进不是技术进步的直接原因；保永文(2017)[25]则发现技术引进与自主研发之间既存在替代效应，也存在互补效应。

对于国内技术的学习方面，Hagedoorn和Wang (2012)[26]发现，对于公司创新，投资水平较高时，内部研发与外部研发有互补效应，反之则有替代效应。李光泗等(2011)[27]发现各地区技术引进与购买国内技术的首要目的是改进产品供应、提高市场占有率，而企业核心技术能力主要依赖企业的自主创新。侯建等(2016)[28]则发现当区域已有技术水平跨越“临界值”时，国内技术购买的技术创新路径最为有效。

综上，无论是对于内在的要素投入，还是对国内外技术的学习模仿，乃至外部环境因素，其研究无外乎影响的正负、大小、重要性几方面，都缺乏对影响技术创新的传导路径(或者说是这些影响因素的内在逻辑与动力机制)进行探索。同时，对于外部技术的学习模仿，不仅取决于所引进的国外技术、所购买的国内技术，还取决于获取这些知识的途径的通畅性与稳定性。因此，本文将以农业新品种创新为研究对象，在知识生产函数的基础上引入知识传播因子，展开中介变量模型检验，探索研发人员、资本及知识积累三要素投入与知识传播途径对农业新品种创新的贡献力量，以及这些力量发挥的动力传导机理，进而找到其中的关键环节或瓶颈约束。

二、模型与识别

我们将在Romer(1990)[13]的知识生产函数基础上建立实证模型来检验以下四个问题：(1)研发人员、资本及知识积累对于农业科技的贡献如何？(2)三者的影响如何产生，传导机制如何？(3)知识传播对农业新品种创新有何影响？(4)知识传播的力量是怎样传导的？(5)谁是农业新品种创新的关键环节？谁又是其制约瓶颈？具体模型设置如下：

(一)知识生产函数

对于问题(1)、(3)，根据Romer(1990)[13]，本文假设农业新品种创新由研发人员、资本及知识积累三方面核心因素决定，并引入知识传播因子，具体模型如下：

(1)

(二)传导机制的识别

对于问题(2)、(4)及(5)，本文使用“中介效用”来检验各要素对农业新品种创新的传导机制，以及判定关键环节。

1.基本的中介模型

中介效用是心理学术语(Baron和Kenny, 1986)[29]，社会学最早使用的是间接效用 (Alwin和Hauser, 1975)[30]，而流行病学则称其为代理效用(Freedman和Schatzkin, 1992)[31]，具体讲就是指一个变量先对中介变量发生影响进而间接作用到因变量之上的过程(MacKinnon等，2002)[32]，一般由三个方程组成。

Y=γ1+τX+ε1

(2)

Y=γ2+τ′X+βI+ε2

(3)

I=γ3+aX+ε3

(4)

其中，Y为因变量，X为自变量，I为中介变量，γ为截距项，ε为误差项。τ、τ′、α、β为回归系数。τ显著表示自变量X与因变量Y存在线性关系；β显著表示中介变量I与自变量X存在线性关系；τ′显著且明显小于τ，同时α、β、τ均显著，表示引入中介变量I后有利于自变量X对因变量Y的关系解释，表明存在中介作用，其作用大小由τ′显著且明显小于相对于τ的变化量反映，亦可用中介效应与直接效应之比(即中直比)αβ/τ′或中介效应占总效应比例(即中介占比)αβ/(αβ+τ′)表示；若τ′不显著，但α、β、τ均显著，则表示存在完全的中介作用，自变量X对因变量Y的影响完全通过中介变量I实现；若α与β至少有一个不显著，表明I不存在中介作用。另外，如果α、β符号为正，而τ′符号为负，则表明存在抑制效应；如果αβ与τ′符号相反则存在不一致的中介效应[33]。以上便是最常用的逐步法[29]，但近年来受到了广泛的批评与质疑[34]。

除了逐步法，还有差异系数法，对两个回归系数差值τ-τ′的检验，如Clogg 等(1992)[35]的tn-2=(τ-τ′)/|ρXIστ′|等，其中σ为回归系数的标准差，ρXI为X与I的相关系数。但由于第一类错误率太高，被系数乘积检验所替代[32]。

为了有效地利用各种方法展开分析，温忠麟等(2014)[34]总结了一套检验流程，其主要思想为：优先采用逐步法，不显著时进行Bootstrap法，并报告αβ区间估计。

2.中介模型的调节效应

Y=c1X+c2W+c3XW+ε1

(5)

M=a1X+a2W+a3XW+ε2

(6)

(7)

在本文中，首先构建知识生产函数，若存在中介效应，则用逐步法初步判断，然后用Bootstrap法展开检验，文中涉及回归采用Eviews8.0，Bootstrap法用M-plus6编程运算。

图1　中介与调节效应的三种类型注：有调节的中介模型包括实线与短虚线路径；有中介的调节模型包括实线与长虚线路径；混合模型包括所有路径。此图根据王孟成(2014)[39]综合整理得到。

三、变量与数据

(一)数据来源

本文的数据主要源自两方面：农业部植物新品种保护办公室(http://www.cnpvp.cn/)与《中国科技统计年鉴》[40]。历年数据从2005年起，累积数据从1999-2004年起。故本文样本年份为2005-2015年。经比对两处来源数据匹配，不存在统计口径差异。

(二)变量说明

1.农业新品种创新及其积累

对于农业新品种创新(AS)，由于授权数受诸多人为影响，申请量更能反映创新真实水平[41]，且无法获得其累积数，本文选用农业植物新品种权申请数(单位：件)进行衡量。知识积累是知识创新的基础，需要构造农业新品种创新积累指标(ASL)。例如，对于2005年创新对应的知识累积，其数据为1999-2004年的累积数。

2.农业科技研发投入

农业科技研发投入分为人员与资本，分别选用农业R&D人员全时当量(人/年)与农业R&D经费内部支出(万元)表示；同时两者又分为总体指标与类别指标(包括基础研究、应用研究与试验发展三类)。

3.知识传播指标

技术扩散也是重要的影响因素，创新活动与领先者的技术进步率有关，技术扩散则关系到跟随者的技术进步方式，跟随者可以通过模仿来分享领先者创造的技术[42]，而模仿正是创造的某种新开始。如何更好的吸取外来知识，这就需要良好的知识传播环境。这种环境好坏，则取决于其有序或者无序。为此，本文选用历年我国各地技术市场交易情况来构建知识传播的有序性指数，根据宋琦等(2010)[43]，引入信息熵并展开计算，具体如下：

(8)

其中，Sj为知识有偿传播熵，j=1,2,3,4分别表示输出地域合同数(项)、输出地域合同金额(万元)、流向地域合同数(项)及流向地域合同金额(万元)等4方面；pij表示各地合同数或金额占全国的比例，i为我国31个省市区。总熵S为四种熵之和。

根据方程(8)，计算得到历年国内知识有偿传播熵。结果显示，知识有偿传播总熵呈现出早期大幅度熵减后期熵增的过程，其熵减力量主要来自输出地域(合同金额)熵，而熵增力量则主要来自流向地域(合同金额)熵方面。另外，输出地域(合同数)熵与流向地域(合同数)熵均在高位呈小幅波动。

四、农业新品种科技创新动力、阻力及传导路径

(一)研发投入对农业新品种创新的影响与路径

1. 基本知识生产函数构建

无论农业R&D人员投入(RDLQSDL)还是经费投入(RDK)，均分为基础研究、应用研究及试验发展三方面。在此，以AS为因变量，采用逐步回归法，对如何投入进行初步判定。分析发现，无论人员还是经费投入，其基础研究方面都表现更为稳健、显著(见表1中模型1-5与1-6，简称M_1-5与M_1-6)，故选取基础研究作为农业R&D人员(RDLQSDLJ)与经费(RDKJ)投入变量。

表1　农业新品种创新基本知识生产函数构建

注：*、**、***分别表示通过10%、5%、1%显著性检验，括号内为t检验值，由于篇幅原因，本文只给出关键性结果；本文变量均为其对数形式，如RDLQSDLJ表示ln(RDLQSDLJ)；下同。

进一步，根据方程(1)，展开基本知识生产函数构建。结果显示，RDLQSDLJ、RDKJ以及ASL三者无法同时存在(见M_1-1)，甚至其中两个共存都有难度(见M_1-2, 1-3, 1-8)，仅RDLQSDLJ与ASL有可能(见M_1-7)。其中RDLQSDLJ表现最好(见M_1-3, 1-7)。由此表明，可能存在多重共线性或相互替代问题，需展开中介检验。

2.阻力与传导路径

(1)基本中介路径分析。在M_1-3、M_1-7及M_1-8中RDLQSDLJ与RDKJ都较为显著，RDLQSDLJ可能成为RDKJ及ASL两者的中介变量，而RDKJ则可能成为ASL的中介变量，为此我们将两者分别作为中介变量展开检验，具体结果见表2。

首先，我们以AS为因变量展开检验，具体见检验1-检验3。对于检验1与检验2，无论基本中介检验，还是Bootstrap法，其结果均不显著。但我们发现，对于RDKJ与RDLQSDLJ共同存在的模型，两者系数均由显著变为不显著，表明两者可能存在相互干扰。检验1，αβ为正，τ′为负，可能存在抑制倾向；检验2，αβ为负，τ′为正，则可能存在不一致中介倾向；两种倾向均表达了遮掩效果的可能。对于检验3，α与τ均通过至少5%水平t检验，z_Sobel及t_Clogg通过1%水平检验，特别是Bootstrap法通过检验(τ′与系数乘积αβ的置信区间均不包括0)，然而τ′较τ其值由正变负，而αβ为正，表明RDLQSDLJ对于ASL存在抑制效应。

表2　研发人员、资本及知识积累的传导路径

注：z_Sobel、t_Clogg 分别表示Sobel (1982)、Clogg等(1992)提出的z或t检验方法。

接着，以RDLQSDLJ为因变量，ASL为自变量，RDKJ为中介变量展开检验(见检验4)。结果显示，α、τ、z_Sobel及t_Clogg均通过1%水平检验，Bootstrap法亦通过检验，而τ′不显著，且其置信区间包括0，表明RDKJ对于ASL存在完全中介效用。

最后，以AS为因变量，ASL为自变量，RDKJ为中介变量展开检验(见检验5)。可以看到，α、z_Sobel及t_Clogg均通过1%水平检验，τ通过5%水平检验，Bootstrap法亦通过检验，而τ′不显著，且置信区间包括0，表明RDKJ对于ASL存在完全中介效用。需要注意的是，由于τ′置信区间小于0的概率偏高，可能存在抑制倾向。

从以上分析可知，RDKJ与RDLQSDLJ均对AS产生影响，但相互之间存在严重干扰。而ASL则可能存在某种链式路径，如ASL到RDKJ，再到RDLQSDLJ，最后到AS的过程。因此，需要进一步展开多层中介模型检验。

(2)链式中介路径分析。在此，按照ASL→RDKJ→RDLQSDLJ→AS的路径，采用Bootstrap法展开中介分析，其基线模型拟合x2=83.717，df=6，p=0，CFI=0，TLI=0，RMSEA=0，各指数比较理想。模型估计的间接效应系数见表3。

根据中介效应分解原理，ASL到AS直接效应为-0.534，ASL到AS的间接效用为3个特定中介效应之和0.861，ASL到AS的总效应为中介效应与间接效用之和0.327。虽然这些效应都未能通过显著性检验，很可能是受到RDKJ与RDLQSDLJ相互干扰的影响，但我们还是可以通过其大小及正负方向，结合前面的基本中介分析做出一些判断。

从表中可以看到，ASL→RDKJ→RDLQSDLJ→AS路径上的影响力最大为0.587，其次是ASL→RDKJ→AS路径上的影响力0.308，而ASL→RDLQSDLJ→AS路径上的影响力为负。这里的直接效应为负，而我们知道ASL到AS的总效应是正的，表明ASL对AS的影响，在3个特定中介过程中，正向影响可能受到不同程度的削弱，负向影响可能得到加强。结合前面的基本中介分析可以判定，ASL的力量经过RDKJ时是通畅的，表明ASL→RDKJ→AS路径上的影响力可能没有损失；而这种阻碍主要来自RDLQSDLJ，且主要是阻碍了ASL→RDKJ→RDLQSDLJ→AS路径上的正向影响力。由于ASL→RDLQSDLJ→AS路径上影响力的p值达到0.938，表明ASL直接通过RDLQSDLJ施加影响是微乎其微的，这也应证了RDLQSDLJ的削弱力量主要施加在ASL→RDKJ→RDLQSDLJ→AS路径上。

表3　特定间接效应分析

因此，综合基本中介与链式中介分析，可做出如下判断：(1)RDLQSDLJ与RDKJ均对AS产生重要影响，但两者会相互干扰。(2)ASL会通过三种渠道对AS产生影响，其中在ASL→RDKJ→RDLQSDLJ→AS路径上影响力最大，但却由RDLQSDLJ的抑制作用被大幅削弱；在ASL→RDKJ→AS路径上的影响力其次，但实际正向影响最大，其路径通畅、无阻碍；ASL→RDLQSDLJ→AS路径上影响力微弱，且为负。(3)由于RDLQSDLJ对RDKJ的干扰，以及对ASL的抑制，使其成为整个传导路径的瓶颈。

(二)知识传播的影响

1.知识传播对农业科技发展的影响

由于知识有偿传播的总熵包括四方面类别熵，采用逐步回归法，判定其影响特征。结果显示，总体变量S作为单独变量时不能通过检验，而S4在多变量参与时不能通过检验，且将其去除后模型F值明显提高，表明S1、S2及S3分别对AS存在负、正、正的显著影响。在进一步减少变量的过程中，发现S1与S2之间可能存在某种调节效应；而S3则较为稳健，表明其对AS可能存在着稳健的正向影响。另外，对于不显著的S4，经过一系列模型构建与中介变量检验发现其不存在中介效用，且与ASL共同作用于RDKJ，较之于仅有ASL的模型其R2由0.9242上升到0.9766，表明S4对AS有着一定影响。

2.知识传播的影响路径

针对S1与S2之间可能存在的调节效应，运用Bootstrap法，分别以RDLQSDLJ、RDKJ及ASL为中介变量展开分析，经过一系列尝试，最终发现RDLQSDLJ存在有中介的调节效应。

表4　有中介的调节效应估计结果

表4的结果显示，在方程(6)中，各参数的置信区间均不包括0，通过1%显著性检验；而在方程(7)中，除了b1，其他参数的置信区间均包括0，未能通过检验。表明该模型的调节效应完全通过中介效应影响因变量。这里需要说明的是，在Bootstrap法分析时，S3的样本方差太小，接近0，分析失效。因此，此处有中介的调节效应模型并不包含S3，而前面对于其影响稳健的判断亦存在疑问。

而对于间接调节效应的进一步计算，取决于调节变量取值，表示在调节变量为某值时，自变量通过中介变量作用于因变量的效应。在此，我们将以S1或S2为自变量，S2或S1为调节变量(在设置辅助变量时取值为μS2或μS1)，取值包括所有样本点。在此，按照从大到小的顺序设定调节值，展开Bootstrap分析，每次Bootstrap分析设置为1000步，基本在300多步收敛，具体见表5。

从表5可以看到，无论S1或S2作为调节变量，随着调节取值的变大，自变量对因变量的间接调节效应都会逐步减小，最终由正转为负。而对于直接调节效应，无论S1或S2作为调节变量，无论如何取值，其置信区间均包括0，不显著。这与前面结果一致，表明所有效应均通过中介变量RDLQSDLJ影响因变量AS。

进一步，从具体年份来分析调节效应的变化。对于S1作为调节变量的情况，由于μS1整体较高并呈现出一个较稳定的状况，在1.0044及其以下时(也即是2006-2008年、2014-2015年两个时段)，其置信区间不包括0，通过显著性检验，且间接调节效应为正；而其他时段间接调节效应不显著。由于在2006-2008年期间，间接调节效应为正，若此时S2为增加的趋势，则其对AS的影响就为正，然而期间S2上下波动，表明此时S2对AS的影响并不稳定。而在2014-2015年期间，间接调节效应亦为正，而期间S2呈现稳步上升过程，表明此时S2对AS的影响稳定为正。对于S2作为调节变量的情况，μS2整体处于较低的水平(除了2005年较高)并呈现出先小幅波动然后缓步上升的过程，且所有检验的置信区间均不包括0，显著。在μS2较低(即2006-2012年)时，间接调节效应为正；而在μS2较高时(即2005年、2013-2015年时段)，间接调节效应则为负。由于在2006-2012年期间，间接调节效应为正，而此时S1较高且较为稳定，但主体上呈现一个微弱的增加态势，表明此时S1对AS主要为正向影响。而在2005年、2013-2015年期间，间接调节效应为负，而在2005-2006年、2013-2015年期间S2呈现下降态势，表明此时S1对AS的影响亦稳定为正。

表5　有中介的调节效应分解

综合来看，在早中期(即2005-2013年)，S1通过RDLQSDLJ对AS展现了稳定的正向影响，然而S1与S2步调不协调(S2对AS的影响表现不稳定)；在后期(即2014-2015年)，S1与S2均通过RDLQSDLJ对AS展现了稳定的正向影响，两者达到了完美的协调。这种完美的协调具体表现为，S1的下降，让μS1带来正向的协调影响，而S2的上升给AS带来正向影响；S2的上升，让μS2带来负向的协调影响，而S1的下降亦给AS带来正向影响。可以说，S1的下降与S2的上升是一种给AS带来正向影响的最佳配合。

五、结论与讨论

十九大报告指出，创新是引领发展的第一动力，是建设现代化经济体系的战略支撑。本文立足农业科技创新问题，探索农业创新的驱动机制、路径与瓶颈，通过在知识生产函数中引入知识传播因子，并运用中介模型检验方法，发现创新的动力机制存在复杂的传导路径，知识传播通过各种形式发挥作用，而人则是创新发展的瓶颈。

(1)基础研发投入在农业新品种创新中起着最重要的影响作用，而其中的研发资本投入、科技人员投入以及知识的累积均是创新的核心动力源泉。①资本与科技人员均直接对创新产生重要作用，然而两者之间却存在严重的相互干扰力。②知识累积则通过间接的方式对创新产生影响，并包括三种渠道。最主要是通过研发资本对创新产生正向影响，这部分力量初始不是最大，但贵在路径通畅；而另一部分正向影响则通过研发资本传递到科研人员进而传递到创新，这部分力量虽然初始时最大，但在通过科研人员的过程中受到抑制而被大幅削弱；此外还有一种力量通过科研人员对创新发生影响，但影响力微弱，且为负向。③科研人员存在瓶颈效应。科研人员虽然对创新的直接作用是正向的，且很重要，但却干扰资本对创新的影响，抑制知识累积的正向影响。

因此，我们认为，在农业科技投入方面，应该加强对基础研发的重视程度，进一步提高基础研发投入的比例；而在研究经费的具体分配上，应强调“以人为本”，加大对科技人员本身的支撑力度，增强对科研人员研发的激励机制，从而改善科研人员对研发资本、知识累积的瓶颈约束作用，提升研发投入的创新效率。

(2)知识的有偿传播在创新过程中发挥着重要作用，可以从供给方(输出地域)、需求方(流向地域)角度看，亦可从数量(合同数)、金额(合同金额)角度看。

①从供给方面看，数量熵与金额熵需要相互调节，并完全通过科技人员的中介作用，对创新形成影响。由于供给数量熵一直维持在一个较高的水准，在很多时候，在其调节下，金额熵对创新的间接调节效应无法确定；当供给数量熵有所下降时，在其调节下，金额熵对创新存在正向的间接调节效应。供给金额熵整体处于较低水平，并呈现逐步上升的过程，在其调节下，数量熵对创新的间接调节效应存在正、负两种情况，但由于数量熵的变化方向，其对创新的影响实际上总是正向的。另外，需要特别指出的是，随着技术供给市场的发展，在样本后期，数量熵与金额熵形成了一种完美的调节搭配，数量熵下降，带来金额熵对创新正向的间接协调效应，而金额熵的上升给创新带来正面影响；金额熵上升，带来数量熵对创新负向的间接协调效应，而数量熵的下降则给创新带来正面影响。因此，降低供给数量熵和提高供给金额熵，是创新发展的需求。这表明，供给数量熵减，形成有序的技术输出市场、稳定的知识有偿传播渠道，对于科技人员稳定地获取知识有着重要意义。供给金额熵增，更多的地方获得更高的技术收益，能很好地鼓励各地出现更多的技术供给，有利于科技人员获取更多样的知识。

②从需求方看，需求数量熵处于较高水平，符合“积累的知识流向更多需求的地方去”的要求，表明了我国各地对已有知识学习需求的可能的旺盛状况，然而由于其变化微弱，虽然在回归时显示了正向影响，但由于本文样本容量小，无法提供更稳健的检验支撑。另外，需求金额熵对研发资本有正向影响，特别是其后期存在大幅上升的状况。熵增反映了需求方技术购买金额的不确定性，说明技术需求竞价的加大，在某种意义上提高了各地获得技术的成本。但由于并没有发现中介效应的存在，无法判断技术需求的竞价对创新的影响，需要进一步的探索研究。

综合知识供需特点，本文认为，对于知识传播渠道建设，应加强技术市场建设，形成稳定的、高效的技术交易渠道，从而让科技人员能够更轻松、便捷地获得所需知识，降低其获取知识的交易成本；同时应进一步提高知识交易的公开、透明程度，形成良性的知识交易竞价机制，保障知识提供者权益，繁荣我国技术市场活力，从而刺激技术创新发展。

另外，我们必须意识到创新里面首先是原始创新、基础领域层面的创新，明白原始创新在创新发展中的核心驱动作用。无论是基础研发的重要性，研发投入的以人为本，还是知识传播渠道的间接作用，其最后的落脚点均是对原始创新的推动。应在政策上引导，强调原始创新的重要意义，将人财物更多地向原创性研究领域倾斜。

最终，对于农业科技发展，我们要高度重视原始创新，强化基础研究，着力发挥研发投入与知识渠道建设的双重作用，实现前瞻性、引领性科技原创成果重大突破，并培养造就一大批具有国际水平的农业战略科技人才、领军人才、青年人才和高水平创新团队。当然，需要注意的是，由于农业新品种的研发、申请和授权并不像工业产品那样更接近于市场，用数理统计分析存在一定局限性；而肥料、农药、耕作等方面也都是农业科技创新的重要内容，本文仅探讨了农业新品种创新，结论的适应性亦存在限制，有待进一步探索。

参考文献：

[1]张来武．以六次产业理论引领创新创业[J]．中国软科学, 2016(1):1-5.

[2]胡凯，张鹏．我国植物新品种权申请授权状况分析[J]．技术经济与管理研究, 2013(1):124-128.

[3]王仁富. 我国农业植物新品种权保护现状及完善[J]．农村经济, 2011(11):45-48.

[4]任静，宋敏. 基于逻辑回归的植物新品种权质量评估研究——以杂交水稻品种权为例[J]. 中国农业科技导报, 2016, 18(1):209-216.

[5]刘辉，许慧. 植物新品种权制度对农业技术创新主体申请量影响的实证分析[J]. 软科学, 2010, 24(4):24-28.

[6]张莉侠，张睿，林建永．1990-2009年三大都市农业科技进步贡献率的测算及比较[J]．中国科技论坛, 2012(11):104-109.

[7]范金，任会，袁小慧. 农民家庭经营性收入与科技水平的相关性研究:以南京市为例[J]. 中国软科学, 2010(1):67-77.

[8]李想，穆月英. 农业科技创新投入要素贡献的动态分析——基于状态空间模型的实证[J]. 经济经纬, 2013(4):39-43.

[9]李杨，杨锦秀，傅新红．我国区域农业技术创新能力评价[J]. 中国软科学, 2009(1):84-89.

[10]张莉侠，俞美莲，王晓华. 农业科技创新效率测算及比较研究[J]. 农业技术经济, 2016(12):84-90.

[11]〗约瑟夫·熊彼特.经济发展理论[M]．北京:商务印书馆,1990.

[12]LUCAS R E. On the mechanics of economic development [J]. Journal of Monetary Economics, 1988, 22(1): 3-42.

[13]ROMER P M. Endogenous technological change [J]. Journal of Political Economy, 1990, 98(5): 71-102.

[14]李晓宏，孙林岩，何哲．中国技术进步影响因素研究(1981-2006年)——基于向量自回归模型实证分析[J]. 软科学, 2008, 22(7):24-29.

[15]TEIXEIRA A, FORTUNA N. Human capital, innovation capability and economic growth [J]. Fep Working Papers, 2004, 3(3): 205-225.

[16]赵志耘，吕冰洋，郭庆旺等．资本积累与技术进步的动态融合:中国经济增长的一个典型事实[J]. 经济研究, 2007(11): 18-31.

[17]苑德宇，韩俊霞．公共资本、省际溢出与技术进步——基于面板协整的经验分析[J]. 中国软科学, 2011(2):80-90.

[18]赵传仁，韩先锋，宋文飞．研发投资对企业技术进步影响的异质门槛效应[J]. 中国科技论坛, 2016(9):85-89.

[19]HU A G Z, JEFFERSON G H, QIAN J. R&D and technology transfer: Firm-level evidence from Chinese industry [J]. Review of Economics & Statistics, 2005, 87(4): 780-786.

[20]Chang C, Robin S. Doing R&D and/or importing technologies: The critical importance of firm size in Taiwan’s manufacturing industries [J]. Review of Industrial Organization, 2006, 29( 3) : 50-60．

[21]许继琴，潘丹，黄亮．宁波市技术引进与技术进步关系的实证研究[J]. 宁波大学学报(人文版), 2008, 21(5):67-72.

[22]PILLAI P M. Technology transfer, adaptation and assimilation [J]. Economic & Political Weekly, 1979, 14(47):M121-M126.

[23]汤萱．技术引进影响自主创新的机理及实证研究——基于中国制造业面板数据的实证检验[J]. 中国软科学, 2016(5):119-132.

[24]闻雯，胡登峰，胡成宝．技术引进与我国工业技术进步关系的实证研究[J].技术经济,2010, 29(4):17-21.

[25]保永文．知识产权保护、技术引进与中国制造业技术创新——基于面板数据的实证检验[J]. 国际贸易问题, 2017(6):38-49.

[26]HAGEDOORN J, WANG N. Is there complementarity or substitutability between internal and external R&D strategies? [J]. Research Policy, 2012, 41(6):1072-1083.

[27]李光泗，沈坤荣．技术进步路径演变与技术创新动力机制研究[J]. 产业经济研究, 2011(6):71-78.

[28]侯建，陈恒．自主研发、技术转移方式与区域创新质量[J]. 中国科技论坛, 2016(11):89-95.

[29]BARON R M, KENNY D A. The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations [J]. Journal of Personality & Social Psychology, 1986, 51(6):1173-1182.

[30]ALWIN D F, HAUSER R M. The decomposition of effects in path analysis [J]. American Sociological Review, 1975, 40(1):37-47.

[31]FREEDMAN L S, SCHATZKIN A. Sample size for studying intermediate endpoints within intervention trails or observational studies [J]. American Journal of Epidemiology, 1992, 136(9):1148-1159.

[32]MACKINNON D P, LOCKWOOD C M, HOFFMAN J M, et al. A comparison of methods to test mediation and other intervening variable effects [J]. Psychological Methods, 2002, 7(1):83.

[33]TZELGOV J, HENIK A. Suppression situations in psychological research: Definitions, implications, and applications [J]. Psychological Bulletin, 1991, 2(109):524-536.

[34]温忠麟，叶宝娟．中介效应分析:方法和模型发展[J]. 心理科学进展, 2014, 22(5):731-745.

[35]CLOGG C C, PETKOVA E, SHIHADEH E S. Statistical methods for analyzing collapsibility in regression models [J]. Journal of Educational and Behavioral Statistics, 1992, 17(1):51-74.

[36]SOBEL M E. Asymptotic confidence intervals for indirect effects in structural equation models [J]. Sociological Methodology, 1982, 13(13):290-312.

[37]EFRON B, TIBSHIRANI R J. An introduction to the bootstrap [M]. Chapman & Hall, 1993.

[38]NTZOUFRAS I. Bayesian modeling using WinBUGS [M]. Wiley, 2009.

[39]王孟成．潜变量建模与Mplus应用，基础篇[M]. 重庆: 重庆大学出版社, 2014.

[40]国家统计局．中国科技统计年鉴(2006-2016)[M]. 北京：中国统计出版社, 2006-2016.

[41]GRILICHES Z. Issues in assessing the contribution of research and development to productivity growth [J]. Bell Journal of Economics, 1979, 10(1):92-116.

[42]崔鑫生．专利表征的技术进步与经济增长的关系文献综述[J]. 北京工商大学学报(社会科学版), 2008, 23(1):124-128.

[43]宋琦，韩伯棠，王宗赐．基于知识溢出熵的创新集群生命周期演化研究[J]. 科学学与科学技术管理, 2010, 31(3):68-71.